PalmSpace: Towards a Versatile On-Palm Interaction Space through Unified Touch Modeling
作者: Chentao Li, Mingze Gao, Runze Sun, Zhaoguo Wang, Jianjiang Feng, Jie Zhou
分类: cs.HC, cs.CV
发布日期: 2026-10-07
备注: Preprint. Initial version
💡 一句话要点
提出PalmSpace以解决智能眼镜输入挑战
🎯 匹配领域: 支柱一：机器人控制 (Robot Control)
关键词: 手掌交互 智能眼镜 红外传感器 模式感知 交互设计
📋 核心要点
- 现有的手掌交互系统无法有效支持精确选择和手势操作，缺乏统一的输入表示。
- PalmSpace通过腕部佩戴的红外系统，提供了模式感知的绝对输入，消除了用户个性化校准的需求。
- 实验结果显示，PalmSpace在定位精度和交互状态识别方面表现优异，支持多种手势操作。
📝 摘要（中文）
随着智能眼镜和轻量级混合现实设备的日益普及，输入方式仍然是一个关键挑战。裸手掌作为一种随时可用的触觉和本体感知表面，缺乏明确的坐标系统和嵌入式触摸传感器。现有的手掌交互系统通常仅能处理孤立的触摸事件、离散区域、连续轨迹或特定任务的手势，限制了手掌在精确选择和手势操作中的能力。为此，本文提出了PalmSpace，一个腕部佩戴的红外系统，能够在不需要用户个性化校准的情况下，提供基于身体参考的绝对输入。PalmSpace在交互层面上联合表示接触发生、交互模式和手掌参考的绝对位置；在模型层面上，通过共享的实时表示学习这些耦合输出。实验结果显示，PalmSpace在17名参与者的评估中实现了6.7毫米的平均定位误差、98.9%的接触检测准确率和96.7%的四类交互状态识别F1值。
🔬 方法详解
问题定义：本文旨在解决现有手掌交互系统在输入精度和多样性方面的不足，尤其是缺乏统一的输入表示和用户个性化校准的问题。
核心思路：PalmSpace的核心思路是通过腕部佩戴的红外传感器，实时捕捉手掌的接触和交互模式，提供基于身体参考的绝对输入，从而增强手掌的交互能力。
技术框架：PalmSpace的整体架构包括传感器模块、数据处理模块和交互输出模块。传感器模块负责捕捉手掌的接触信息，数据处理模块进行实时分析和模式识别，交互输出模块则将结果反馈给用户。
关键创新：PalmSpace的主要创新在于其能够联合表示接触发生、交互模式和绝对位置，形成一个共享的实时表示，与传统方法相比，显著提升了交互的灵活性和准确性。
关键设计：在设计中，PalmSpace采用了高精度的红外传感器，结合特定的损失函数和网络结构，以优化接触检测和交互状态识别的性能。
🖼️ 关键图片
📊 实验亮点
在17名参与者的评估中，PalmSpace实现了6.7毫米的平均定位误差，98.9%的接触检测准确率，以及96.7%的四类交互状态识别F1值，显示出其在手掌交互中的优越性能。
🎯 应用场景
PalmSpace的研究成果可广泛应用于增强现实和虚拟现实设备中，提升用户的交互体验。其模式感知的输入方式能够支持多种应用场景，如游戏控制、虚拟环境导航和手势识别等，具有重要的实际价值和未来影响。
📄 摘要（原文）
As smart glasses and lightweight MR devices become increasingly practical, input remains a key challenge. The bare palm is an always-available, tactile, and proprioceptively accessible surface, but it has neither an explicit coordinate system nor embedded touch sensing. Prior on-palm systems typically expose isolated touch events, discrete regions, continuous trajectories, or task-specific gestures, limiting the palm's ability to support precise selection and gesture manipulation through a common input representation. We present PalmSpace, a wrist-worn infrared system that exposes mode-aware, body-referenced absolute input on the bare palm without per-user sensing calibration. At the interaction level, PalmSpace jointly represents contact occurrence, interaction mode, and palm-referenced absolute location; at the model level, it learns these coupled outputs through a shared real-time representation. In leave-one-participant-out evaluation with 17 participants, PalmSpace achieved 6.7 mm mean localization error, 98.9% contact detection accuracy, and 96.7% F1 for four-class interaction-state recognition. User studies further demonstrated absolute pointing and dragging, eyes-free digit input, and representative multi-finger controls including scrolling and pinch-based map manipulation. These results show that a morphologically variable bare palm can function as a transferable, mode-aware interaction surface.